論文の概要: Machine Learning-Based Cyber Defense for Cloud Infrastructure: An Adaptive Deep Q-Network Architecture for Intelligent Intrusion Detection and Automated Threat Mitigation

• arxiv url: http://arxiv.org/abs/2608.12190v1
• Date: Wed, 12 Aug 2026 15:46:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.629582
• Title: Machine Learning-Based Cyber Defense for Cloud Infrastructure: An Adaptive Deep Q-Network Architecture for Intelligent Intrusion Detection and Automated Threat Mitigation
• Title（参考訳）: クラウドインフラストラクチャのための機械学習ベースのサイバーディフェンス: インテリジェント侵入検出と自動脅威軽減のための適応型Qネットワークアーキテクチャ
• Abstract要約: 強化学習に基づく動的サイバー防御フレームワークを提案する。 我々はDQN(Deep Q-Network)を配置し、効果的な防御戦略を訓練する。 このフレームワークは99.54%の攻撃緩和率を達成し、強力な適応性とリアルタイム防御能力を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the increasing complexity of cyber assaults in cloud environments, adaptable security solutions are needed that can support real-time detection and autonomous response. In this paper, we propose a reinforcement learning-based dynamic cyber defense framework. We deploy a Deep Q-Network (DQN) to train effective defensive strategies to counteract the evolving cyberattacks. We leverage the CICIDS2017 dataset for model creation and the UNSW-NB15 dataset for external validation, involving preprocessing of data, feature engineering, and adaptive policy learning. We compare the proposed DQN with decision tree, support vector machine, random forest, XGBoost, and multilayer perceptron models. The proposed DQN achieves an accuracy of 99.72%, a precision of 99.68%, a recall of 99.65%, an F1-score of 99.66%, and an ROC-AUC of 0.999, while the false positive rate is 0.31%, the false negative rate is 0.35%, and the detection latency is 15 ms. The framework achieved 99.54% attack mitigation rate, demonstrating strong adaptive and real-time defensive capabilities. These results demonstrate the potential of reinforcement learning as a powerful and scalable approach for autonomous cybersecurity in modern cloud environments.
• Abstract（参考訳）: クラウド環境におけるサイバー攻撃の複雑さが増大するにつれ、リアルタイム検出と自律応答をサポートする適応可能なセキュリティソリューションが求められている。 本稿では,強化学習に基づく動的サイバー防御フレームワークを提案する。 我々はDQN(Deep Q-Network)を配置し、進化するサイバー攻撃に対抗する効果的な防御戦略を訓練する。 我々はCICIDS2017データセットをモデル作成に利用し、UNSW-NB15データセットを外部検証に利用し、データの事前処理、機能エンジニアリング、適応ポリシー学習を含む。 提案したDQNを,決定木,サポートベクトルマシン,ランダムフォレスト,XGBoost,多層パーセプトロンモデルと比較する。 提案したDQNの精度は99.72%、精度99.68%、リコール99.65%、F1スコア99.66%、ROC-AUC0.999であり、偽陽性率は0.31%、偽陰性率は0.35%、検出遅延は15ミリ秒である。 これらの結果は、現代のクラウド環境における自律型サイバーセキュリティのための強力でスケーラブルなアプローチとしての強化学習の可能性を示している。

関連論文リスト

• Quantum-Inspired Reinforcement Learning for Low-Latency Intrusion Detection in V2X and Internet-of-Vehicles Networks [0.5098144539782359]
  本稿では,次世代の自律型サイバー防御のための量子インスパイアされた強化学習フレームワークQIRLを提案する。 QIRLは、振幅相量子状態の符号化、回転ゲートに基づく探索、および量子干渉報酬の増大を、コストに敏感なマルコフ決定プロセスの定式化と組み合わせている。 サンプルあたり32.5マイクロ秒と45.7マイクロ秒の超低速で、アンサンブルベースラインの67.77倍、51.77倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-06-05T19:33:15Z)
• NERO-Net: A Neuroevolutionary Approach for the Design of Adversarially Robust CNNs [2.068436123941345]
  敵の攻撃に抵抗するより優れた畳み込みニューラルネットワークを設計するための神経進化的アプローチであるNERO-Netを提案する。 提案手法は,進化過程における対角的学習を避けることにより,ロバスト性に対するアーキテクチャ的影響を分離する。
  論文  参考訳（メタデータ） (2026-03-26T14:51:30Z)
• AI-Enhanced Intelligent NIDS Framework: Leveraging Metaheuristic Optimization for Robust Attack Detection and Prevention [1.4968127458030251]
  本研究は,ネットワークセキュリティの向上を目的としたAI駆動リアルタイム侵入検出フレームワークを提案する。 提案されたシステムは、決定木で98.95パーセント、K-Nearest Neighborsで98.47パーセント、ロジスティック回帰で88.84パーセントの精度を達成した。
  論文  参考訳（メタデータ） (2025-08-31T15:20:11Z)
• AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
  AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。 テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。 アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
  論文  参考訳（メタデータ） (2025-04-29T17:36:05Z)
• Neural Antidote: Class-Wise Prompt Tuning for Purifying Backdoors in CLIP [51.04452017089568]
  CBPT(Class-wise Backdoor Prompt Tuning)は、テキストプロンプトでCLIPを間接的に浄化する効率的な防御機構である。 CBPTは、モデルユーティリティを保持しながら、バックドアの脅威を著しく軽減する。
  論文  参考訳（メタデータ） (2025-02-26T16:25:15Z)
• Research on Enhancing Cloud Computing Network Security using Artificial Intelligence Algorithms [11.657154571216234]
  クラウドコンピューティング環境は、セキュリティの脅威にますます弱い。 従来のセキュリティメカニズムは、ルールマッチングと特徴認識に基づいて、進化する攻撃戦略への適応に苦労する。 本稿では,ディープラーニングを利用して多層防御アーキテクチャを構築する適応型セキュリティ保護フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-25T03:06:40Z)
• Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
  本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。 最大98.1%の精度でグリッド安定性を予測でき、98.9%で敵の攻撃を検知できる。 シングルボードコンピュータ上で実装され、7ms以下の平均応答時間でリアルタイムな意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-01-27T20:48:25Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
  CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。 任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。 本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
  論文  参考訳（メタデータ） (2021-05-31T17:01:05Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• On Adversarial Robustness of 3D Point Cloud Classification under Adaptive Attacks [22.618325281125916]
  3Dポイントクラウドは、自律運転など、さまざまな安全クリティカルなアプリケーションにおいて重要な役割を果たす。 我々は、最先端の防衛に関する最初のセキュリティ分析を行い、それらを適応的に評価する。 100%適応攻撃の成功率は、現在の対策がまだ脆弱であることを示している。
  論文  参考訳（メタデータ） (2020-11-24T06:46:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。